Mind Lab 提出 MJev-Spatial：比自回歸基準快 2.5 倍

研究在做什麼

Mind Lab 提出 MJev-Spatial，以處理空間關係判斷、距離估算或物體放置等需在互動速率下做出的決策。現有 VLMs 透過自由形式文字生成來回答空間關係、距離或位置問題，需支付自回歸解碼與答案解析的成本，儘管輸出空間緊湊（僅為幾個選項、標量或 2D 點）。MJev-Spatial 是一個 System 1（即時反應、非逐步推理的決策模式）多模態決策模型，在統一的分類框架內處理這三種空間理解任務。 Hugging Face 每日精選論文

方法

MJev-Spatial 將每個候選項視為一個類別，使用骨幹網路預訓練的查詢（query）和鍵（key）投影進行評分，不增加額外參數。對於選擇任務，候選項為給定選項；對於數值和點預測，則透過由粗到細的分類來精煉值區間或圖像區域。推理時，每個分類決策只需一次前向傳播，且不生成任何答案 token。訓練方面，該模型基於 Qwen3.5-4B 建構，使用從現有空間數據集轉換的 12.3M 問答對進行訓練。為了高效處理異質空間數據，研究結合了教師強制（teacher forcing）在單次前向傳播中聯合監督所有由粗到細階段，並採用長度感知全局批處理與跨 GPU 負載平衡，使訓練吞吐量比原始批處理策略提高 30.8%。 Hugging Face 每日精選論文

結果

在八個受測模型中，MJev-Spatial 取得了最高的總體分數（65.64%），並在十二個基準測試中的七個排名首位。該模型在所有十二個基準測試上均優於其未修改的自回歸基礎模型。在速度方面，MJev-Spatial 比自回歸基準模型快 2.5 倍，比基礎模型快 5.6 倍。 Hugging Face 每日精選論文

程式碼與資料

本站 2026-10-18 整理（資料來自 Hugging Face 論文頁與 GitHub，由程式查詢，不經模型撰寫）：

• 研究機構（Hugging Face 標示）：Mind Lab
• 程式碼：Fr0zenCrane/MJev-Spatial｜8 顆星｜最後更新 2026-10-16｜授權 Apache-2.0
• 專案網頁：https://fr0zencrane.github.io/mjev-spatial-project/
• 公開模型：mindlab-research/MJev-Spatial-4B
• 線上展示：tardellirs/paper-pulse、hugging-apps/mjev-spatial